加速行业智能化白皮书

加速行业智能化白皮书使能百模千态，赋能千行万业加速行业智能化白皮书143转型案例142第十章加速行业智能化白皮书143转型案例142第十章机场和轨道交通133第九章油气127第八章电力120第七章金融105第六章矿山及重工业制造97第五章制造和大企业174第十三章政府及公共事业169第十二章智慧城市152第十一章公路水运口岸4转型展望193第十四章总结与展望1加速行业1加速行业10第二章实现智能化转型所需的参考架构3第一章加速行业智能化的价值与挑战2加速智能化带来新价值80第四章智能化使能民生33第三章智能化使能企业生产1加速行业智能化转型第一篇2PAGEPAGE18加速行业智能化白皮书第一章加速行业智能化白皮书加速行业智能化的价值与挑战人类社会经历了从农业社会到工业社会到信息社会再到智能社会的变迁，历时几千年。蒸汽1956702030突破：在算法方面，大模型将在应用侧持续落地、改变产业发展生态；在数据方面，人类将YB2020232000PAGEPAGE4加速行业智能化白皮书球通用计算算力将达到3.3ZFLOPS(FP32)，AI计算算力将超过105ZFLOPS(FP16)，增500170和规划文件，将政策重点聚焦在加强技术投资和人才培养、促进开放合作以及完善监管和标准建设上，全球人工智能产业发展进入加速落地阶段。具体而言，美国将人工智能提到“未来产业”和“未来技术”领域的高度，不断巩固和提升美国在人工智能领域的全球竞争力；中国一方面要加强人工智能基础核心技术创新研究，培育创新的生态体系，另一方面要推进人工智能与传统产业的融合，赋能中国产业数字化、智能化高质量发展；欧盟全面重塑数字时代全球影响力，其中将推动人工智能发展列为重要的工作；英国旨在使英国成为人工智能领域的全球超级大国；日本致力于推动人工智新加坡要成为研发和部署有影响力的人工智能解决方案的先行者。华为一直致力于“把数字世界带入每个人、每万物感知、万物互联和万物智能是智能世界的三大特征。要实现这三大特征，需要大量的智能社会，未来已来智能世界正在加速而来20（1956-2060在这个阶段，以麦卡赛、明斯基、罗切斯特和申农为代表的科学家团队共同研究了机器模拟

Tllle能时代的。华为持续以产品AlI、AllCloudAllIntelligence人工智能正从感知理解走向认知智能，带动数字世界和物理世界无缝融合，从生活到生产、CB端，正日益广泛和深刻地影响人类社会，驱动产业转型升级。据预测，2030年全球人工智能市场规模将超2020304展潜力和空间。人工智能无所不及，帮助人类获得超越自我的能力，成为科学家的显微镜与望远镜，让我们的认知跨越微小的夸克到广袤的宇宙，千行万业从数字化走向智能化。AI拥抱美好新未来！智能的相关问题，并于1956年达特茅斯会议上正式提出人工智能概念。（2）启动期（2060）：60的第一个黄金发展期，该阶段的人工智能主要以语言翻译、证明等研究为主，在这个阶段取得了机器定理证明、跳棋程序等一系列标准性PAGEPAGE5加速行业智能化白皮书成果。（3）瓶颈期（2070）：70年代，经过科学家深入的研究，科学家提出了一系列不切合实际的研发目标，尤其是对机器模仿人类思维的错误认识，导致人工智能发展进入低谷期；（4）突破期（207090）：以专家系统为代表的技术突破，推动人工智能加快应用于医疗、化学、地质等各个领域，人工智能技术在（2090）90着互联网技术的逐渐普及，加速了人工智能的创新突破，出现了深蓝计算机战胜国际象棋冠军、“智慧地球”提出等一系列标志性事件，促进人工智能进一步与应用相结合。21人工智能正在开创下一个黄金阶段。2016，GoogleAlphaGoAI1130，ChatGPT横空出世，人工智能的发展进入全新阶段。20233，OpenAI又推出多模态大模型GPT-4，在生成质量、使用性能和模型安全合规等多个领域评分均领先于现有主流模型，被誉为“史上最强”大模型。Mta20237月先后推出开源大模型LLaMALLaMA2能力评估、安全训练和负责任的发布等方面有Gitub10个大模型，包括华为盘古大模型、讯飞星火认AI-ChatGLM知识得到了高效积累和继承，从而大幅提升了人工智能的泛化性、通用性、实用性。在实际

处理下游任务时再通过小规模数据进行微调训练，就能达到传统小模型的效果。大模型的出现，减少了行业用户训练模型研发成本，降低了AI落地应用的门槛，并且上线部署过程大幅AII技术真正地来到了我们身边，AIihoe时刻”到了，各行业开启了从数字化到智能化的升级，行业智能化的“iPhone智能化正在改变人类的生活和AI已经成为了人们生活中不可或缺的一部分，它正在改变着我们的生活方式和工作方式。日常出行中，人工智能翻译支撑跨语言、跨文化的高效沟通，通过拍照获取景点的历史文化（VR）与增强现实（A）I虚拟的现实生活中，或者将虚拟元素融入真实环境中，为娱乐带来全新的体验维度。办公场景中，未来撰文、翻译、制图、代码核查等工作一半以上可由人工智能完成。人工智能可以通过高效运算，接管一些重复性工作，把人类从忙碌而繁重的日常工作中解放出来，让人类节省最宝贵的时间资源，去做更多振奋人心、富有挑战性的工作，如按其所长贡献创造力、策略思维等。在教育场景中，AI的出现和持续演进正在重构传统课堂教学，改变学校形态、教学方式和学习方式。如随着AI持续改变教育的方式，越PAGEPAGE6加速行业智能化白皮书来越多的学生将更愿意参加线上数字课程的学习；借助人工智能技术为学习者推荐个性化的学习资源，实现学习者的个性化学习等。另外，随着人工智能技术的不断迭代升级，未AI技术将应用于更多领域，如基于多模态I个人助理将极大的便利人们的生P，在越来越多的垂直领域细分赛道的应用场景中出现等。智能化正在持续赋能千行万业人工智能是引领未来的战略性技术，全球主要国家及地区都把发展人工智能作为提升国家竞争力、推动国家经济增长的重大战略。通过应用牵引推动人工智能技术落地成为各国共识。美国引导人工智能技术在行业领域的创新和融合应用。20217月，美国国家科学基金会联合多个部门和知名企业等，新成立11家人工智能研究机构，涵盖了人机交互、人工智能优化、动态系统、增强学习等方向，研究教育、能源等多个领域。中国“十四五”规划纲要明确大力发展人工智能产业，打造人工智能产业集群以及深入赋能传统行业成为重点。英国支持人工智能产业化，启动人工智能办公室和英国研究与创新局联合计划等，确保人工智能惠及所有行业和地区，促进人工智能的广泛应用。日本将基础设施建设和人工智能应用全面推动人工智能在医疗、农业、交通物流、智慧城市、制造业等各个行业开展应用。同时世界各国也高度重视人工智能标准化工作，规范人工智能落地应用，出台战略加强标准化布局，支撑产业生态发展。ISO/IECJTC1SC42IEEEAI

供给方和参考源，影响力正向全球辐射。重点在人工智能基础共性、关键通用技术、人工智能可信及伦理方面开展标准研制工作。2020318复成立全国信标委人工智能分技术委员会，主要负责人工智能基础、技术、风险管理、可信赖、治理、产品及应用等人工智能领域国家标ISO/IECJTC1/SC42，以标准化手段，分类分级分步骤推动大模型评测、算力、算法、数据和治理等领域的技术和应用，带动和引领人工智能的健康、可持续发展。在全球各国高度关注下，人工智能从实验室加速走向应用场，推动AI技术应用到智能产品的开发，服务模式的创新，产业升级，赋能多行业智能化转型。在气象预报行业，I《Nature》正刊发表了华为云盘古气象大模型研究成果，该模型创建了首个精度超过传统数值预报方法的AI模型，速度相比传统数值预报提速10000倍以上，能够提供全球气象秒级预报。在今年的“古超”和“杜苏芮”等台风预测应用中，盘古气象大模型准确预测了台风路径，这将对气象导致的防灾减灾，保障民生安全起到非常重要的作用。在医疗健康行业，I辅助医疗、影像质控、知识问答等方面发挥着极关键的作用，尤其是在药物研发领域，AI破公认的“双十定律”，将研发时间由数年缩直接推动药物研发实现从“马拉松”到“加速跑”，开启了药物研发领域前沿技术革命的新征程。PAGEPAGE7加速行业智能化白皮书社会运行方式正在悄然变化人工智能改变了基础的生产力工具，中期来看会改变社会的生产关系，长期来看将促使整个社会生产力发生质的突破。人工智能将对消除社会数字鸿沟，实现全球包容性增长和可持续发展具有重要作用。人与自然和谐相处是一个永恒的命题，而保护生物多样性是保护地球的一个重要手段。通过生物多样性的监测，我们可以更深入地了解身边的大自然。传统的生物多样性研究需要对数据收集的专用技术进行大量投资，并需要非常专业、经验丰富的生态保护科学家进行数据分析和洞察。相关科学文献的一项调查发现，58%的生物多样性声学研究完全基于专家从原始数据中人工识别物种。如今，随着人工智能技术的应用，科学家能够处理的研究数量以及每项研究所能分析的数据量，都有了极大的飞跃。例如，RFCxArbimon是一个开放和免费的平台，致力于为生物多样性声学监测和洞察提供端到端解决方案。该平台目前收20020%Arbimon团队联合华为和其他合作伙伴，基于不断增长的数据集，为新物种训练新的人工智能模型，并重新训练现有模型以提高性能。分析结果可帮助一线工作人员决策采取可行鸟类保护措施或行动。人与自然的和谐相处也包括阻止外来物种入侵，保护当地物种免于被灭绝，防止破坏当地生活方式。在挪威贝勒沃格这个原本平静的城市正面临着外来物种入侵的威胁。驼背大马哈鱼来源于太平洋，并不是挪威的本地物种。驼背大马哈鱼比生活在大西洋的大西洋鲑更具侵略性，现在正快速占领河流，给大西洋鲑的繁殖带来了挑战。大西洋鲑属于挪威政府认定的

濒危物种，如果不采取措施，可能会遭到灭绝。2021年3月，由当地猎人和渔民组成的贝勒沃格狩猎和垂钓协会（BJFF）与华为建立了合作关系，双方将共同保护斯托尔瓦河中的大西洋鲑。他们最初的目标是利用水下摄像机和人工智能来识别物种并统计鱼类的数量。该项目的第一阶段于2021年夏天启动。这一阶段聚焦开发算法，让计算机系统能够识别河流中的本地大西洋鲑和北极红点鲑，并记录不速之客驼背大马哈鱼。这一目标已经轻松达到。通过6月下旬到9月采集到的连续视频和数万图片，新开发的算法能够识别出90以上的大西洋鲑和驼背大马哈鱼。后续可对通过的鱼进关爱残障人士是包容社会的重要组成方面，通过数字化技术能帮助提高他们生活的舒适度和2700中许多人使用手语作为其主要的交流形式。与其他手语语言一样，中国手语学习面临词汇更新慢、师资短缺、标准难统一等挑战，对此，千博信息基于华为昇思indpore学院自动化研究所紫东太初三模态大模型，带来全新的手语产品，基于1.25070打造手语教考一体机，开创性地实现手语动作与视频、图片示意和文字说明联动，使得手语学习能够快速上手，一定程度上缓解了手语师资短缺问题。也能作为手语翻译机使用，帮助听障人士顺畅沟通、便捷生活。PAGEPAGE8加速行业智能化白皮书行业智能化，多重挑战犹存到2030年，人工智能有望颠覆制造、电力、能源、交通运输等关键产业，撬动难以限量的经济价值，若要把握这一机遇，须在多个维度进行能力建设。统筹点线面、系统推进的总体考虑下，重点围绕核心技术、基础软硬件、数据资源体系、标准规范和行业应用示范等进行部署。传统算力基础设施难以匹配大模型创新需求AI多元化和巨量化的趋势。不同的应用场景对算力的要求不同，要评判算力基础设施是否满足AI综合考虑算力基础设施的性能与灵活易用性。大模型技术对于算力基础设施的规模提出了更高的要求，企业传统基础设施面临算力资源不足的挑战。AI与模型的参数量、训练数据量成正比。根据业界论文的理论推算，端到端大模型的理论训练8*T*P/n*X)T的tokenAI卡数，XhaGPT175B（1750）规模下，在35000819249计算量变大，按照业界的经验，能达到可接受的训练时长，需要百亿参数百卡规模，千亿参数千卡规模，万亿参数万卡规模。这对算力资源的规模提出了极高的要求。算力不足意味着无法处理庞大的模型和数据量，也无法有效支撑高质量的大模型技术创新。

基础大模型难以适应行业智能化需求L0的构建，需要顶尖人才和巨额资金的持续投入，百模千态将以行业模型的形态为主。技术门槛高，基础大模型的构建是复杂的端到端系统工程，是一个典型的复杂软件平台。资金投入大，GPT-4训练成本约65~10/每个行业均有使用大模型的场景，行业用户及行业伙伴大多不具备从头开发大模型的能力，为了获得适配本行业的大模型，需要提供行业数据给基础大模型进行微调训练。数据是行业用户的核心资产和竞争优势的源泉，行业用户部分关键敏感数据难以实现共享公共安全和个人隐私等方面的数据；金融行业中责权、债务关系相关的数据；制造业的资产明细、生产数据以及明确要求不可以出园区的数据等等，此时基础大模型难以适应行业智能化需求。于是行业用户将行业非敏感数据提供给基础大模型供应商，形成行业大模型L1，再结合场景数据在行业大模型L1基础上形成场景大模型L2,以适应行业的需要。数据供给难以满足大模型训练需求数据将是构建大模型竞争力的核心要素，行业先锋都应该打造自身的数据飞轮。高价值、特定领域的工作流程，特别且必须依赖于丰富且高质量的专有数据集。PAGEPAGE9加速行业智能化白皮书从全球来看，高质量数据都在变得更稀缺。行存储和管理海量数据，形成优质数据集的能力仍不足。从政府层面来看，当前缺少统筹共性数据集的建设服务，数据流通与共享机制不成熟，开放数据集“质”与“量”难保证，源头数据的治理不充分，导致数据质量不高、共享不足。从企业内部来看，数据的实时采集受制于非数字化终端，数据的实时上传受制于低速网络，数据的实时分析受制于数据孤岛，行业数据难采、难传、难用，阻碍了行业智能化的进程。法规监管难以保障智能化安全可信需求行业智能化后，行业信息化水平进一步提升，对信息系统的依赖加剧，减少人工干预后，被攻击入侵后损失严重，对安全可信诉求更加强烈。行业智能化会导致信息系统更加复杂，构建安全可信的难度剧增。人工智能技术涉及的领域非常广泛，其潜在的风险和危害也不容忽视，比如个人隐私保护、脱敏数据使用、数据泄露等，这些都需要根据合适的法律进行规范和监管。人工智能技术的发展也与社会伦理、安全等问题存在联系，需要明确相关责任与义务等问题。因此需要更健全的人工智能法规和监管机制。人才储备和生态难以支撑智能化转型需求

PAGEPAGE10加速行业智能化白皮书第二章加速行业智能化白皮书实现智能化转型所需的参考架构行业智能化技术需求大型集团性企业往往具有众多的所属企业或组织，在集团之下，围绕某类相似或关联性业务成立区域（或领域）组织，统筹具体业务执行单位的生产与经营。总结起来一般有总部、区域（或领域）3终端感知。如第一章所述，AI一是，自行构建：企业可以自行组建研发团队，进行大模型的研发和训练。这需要企业具备强大的技术实力和资源投入，包括算力、数据、人才等方面的支持。二是，合作伙伴：企业AI算力资源、数据等方面的帮助，加速大模型的研发和应用。三是，云服务平台：许多云服务PAGEPAGE11加速行业智能化白皮书AI方式可以节省企业的研发成本和时间，同时还能享受云服务提供商的技术支持和稳定性。四是，企业基于模式二三获得的高阶模型构建专属的低阶模型，如：L1L2对于训练，总部通常会统一构建共享的高阶模型，需要建设大规格的AI算力。区域（或领域）根据自身特点基于总部的模型进行二次训练，形成更符合自身业务需求的低阶模型，需要建设较小规格的AI算力。对于推理，总部推理服务于全公司共享业务，包含为全公司服务的推理业务和为全公司服务的推理资源池，算力需求较大；区域（或领域）推理服务于区域（或领域）业务，算力需求较小；边端侧有大量的实时控制业务，需要就近部署推理算法以降低网络时延，不同的现场需要适配不同的周边系统和本地化业务流程，因此需要就近部署推理算法便于集成适配、减少联动更新。边端侧推理服务范围小，算力需求最小。综上所述，两级训练三级推理是先锋企业的典型部署范式，如下图2-1所示。图2-1行业智能化两级训练三级推理的部署范式基于上述的范式，各企业可以根据自己的业务需求进行适配和裁剪。我们可以从算力集群化、算力5AIICTPAGEPAGE12加速行业智能化白皮书大规模参数的训练呼唤大算力，需要集群来保障大规模、长期稳定、高可靠的算力供给。分层分级建设和部署大模型是各行业的基本要求，需要算力系列化适配各种业务场景。行业大模型的训练和推理都需要高质量的行业数据来支撑。需要应用快速迭代降低开发门槛保障AI落得实。需要高质量的数据通信保障智能化各场景业务需求，保障AI用得好。算力集群化因为总部和区域（或领域）需要做模型训练和推理资源池，有建设大规模AI单卡性能增长有限，想要增加性能，只有集群的模式满足大算力的需求。AI程，需要兼顾计算、网络、存储等的跨域协同及优化，助力企业构筑高效协同的算力集群。AI3总部需要部署高阶模型，不同的高阶模型对算力要求不同，百亿参数百张卡，千亿参数千张卡，万亿参数万张卡。其次，集群需要实现低时延、大带宽、高可靠的网络。训练集群网络的丢包率会极大影响算力效率，零丢包是训练集群网络的基本要求。万分之一丢包，算力降低10%；千分之一丢包，算力降30%。面对千亿、万亿参数规模的大模型训练，仅仅是单次计算迭代内梯度同步需要的通信量就达GB量级，此外还有各种并行模式、加速框架引入的通信需求，使得传统低速网络的带宽远远无法支撑集群的高效计算。因此要充分发挥计算资源的强大算力，必须构建一个全

新的高性能网络底座，用高速网络的大带宽来助推整个集群计算的高效率。在大模型的训练和推理中，集群间的多卡通讯频繁，对时延敏感。以推理为例，多卡低时延通信挑战：低时延推理需要采用多卡模型并行来分担参数和KV缓存，提升等效的HBM带宽；Decoding阶段引入大量小数据allreduceGPT-3175B，token192allreduce计算精度下每次业务包24KB，对通信时延极其敏感。最后，在存储方面，大模型基于算力和数据驱需要实现大容量、高带宽、高IOS、高可靠。需对存储容量带动数据存储从服务器本地盘走向存，需要大带宽的存储写入能力；为保障训练效率，需要加速加载海量小文件训练数据、减求三，高可靠：长时间训练过程中，存储的高算力系列化基于前述的部署范式，企业总部需要构建共享的高阶模型训练和共享推理资源池，根据不同的业务需求需要使用AI算力集群、训练服务器、推理服务器、训推一体机来建设训练中心和推理中心。比如自行构建万亿参数的大模型，需要万卡级规模的AI算力集群；构建千亿参数的大模型，需要千卡级规模的AI算力集群；基于预训练的大模型构建百亿参数的模型，需要百卡规模的AI算力集群。PAGEPAGE13加速行业智能化白皮书区域需要建设低阶模型训练和较小的推理算对算力需求差异大。需要使用AI训练服务器、推理服务器、训推一体机来建设训练中心和推理中心。比如总部构建的模型已覆盖大部分业务，区域只需要针对差异化的业务基于总部预训练的模型做差异化的训练，训推一体机即可满足。边端侧算力需求小，同时有环境限制，需要使用不同规格的推理服务器、推理模块、终端内嵌的推理算力几种方式来满足工业生产现场、野外、本安、工地等差异化的业务场景诉求。边缘设备需要具备边缘自治能力，实现边端侧业务自闭环。比如野外环境恶劣，在网络中断AI高质量数据数据将是构建大模型竞争力的核心要素，高质量的行业数据尤为稀缺，从企业外部采购数据行业大模型的训练和推理都需要高质量的行业数据来支撑。训练、推理数据不单有TOT数据，OT数据是指由操作技术（OperationalTechnology）产生的数据，包括来自工业控制系统、物联网设备、传感器OT设备的数据。OT数据的实时采集数据治理、数据安全，需要做好整个系统的顶5

OT数据和接收任OT数据的采集和上传上，行业的普遍存在智能化和智能化改造的诉求：一些仪表还是机械式、模拟式仪表，无法提供智能化OT设备联网率很低，即使是一些已经联网的仪表、传感器，也仅仅支持本地互联，感知数据仅用于有限场景，在本地经过处理的结果向上级系统提供，原始的感知数据不上传；一些设备（外连接七国八制，集成复杂，可用性低，导致数据无法及时、全量上传，数据采集时间无法对齐，数据无法支撑智能AI训练；需要智能化的终端，通过智联操作系统，将协议复杂、系统孤立的终端有机协同起来，实现对同一感报”，以满足更加复杂、高精度、高速度、智能化和协同的作业要求。其次，需要大容量、支持访问协议多样化的存储。OT数据量大，文件格式多样，训练前需OT样本数据上传到模型训练中心，对存储要求高。需要存储提供PB级原始数据以及访问协议多样化。IT与OT融合的扁平化工业网络对于工业企业而言意义非凡，将真正实现“数据上得来、算力下得去、上下游贯通”。数据上得来：数据“逐层上送”的过程中，每一层的数据传递过程都存在较多的数据信息损失，因此工业企业需要打破层级壁垒，解决跨系统数据流转难问题，实现数据直采。算力下得去：/A、算力相融合，帮助工业企业实现AI排产、工艺优化等创新应用。上下游贯通：通PAGEPAGE14加速行业智能化白皮书过生产现场进度与客户实时共享、产品设计方案与合作伙伴共享等上下游的连接和协同，帮更坚固的纽带。第四，工业企业需要有效的数据治理，提供高质量的数据，支撑大模型训练。T源头治理，制定数据标准，从应用规范、应用产生开始治理，保障数据“优生”。传统数据治理主要用于大数据业务，智能化时代数据治理将为模型的训练和推理服务，因此数据治理需要与AI比如：企业的数据从局限于自身内部转变为企业间数据协同、流通、共享与交易，便于在上下游和产业间形成协同、在企业间和产业内形成数据交易、数据经济和数据市场。最后，数据安全作为数据价值化的基石，对于保障商业秘密、企业数据主权，确保数据使用合规至关重要。为此工业企业需要构建事前预让数据使用更安全。应用快速迭代I技术的发展、智能化应用的深入，应用场景变得更多元、更复杂。每个行业的应用场景都有成百上千，每个子场景对AI泛化性要求不同，在特定的场景，需要对AI模型进一步优化和重构，以适应生产环境。比如：在工业场景下，有工业质检、安全巡检等生产的零部件千差万别，安全巡检子场景中巡检区域可能地形复杂多样并且自然环境恶劣。在交通场景下，包含若干细分的子场景，以公路子场景交通拥堵治理来说，每一个区域（车辆数、拥堵点、停车场、周边路网承载力），

（行为），每一辆车（出行、时间、地点、路线情况和需求不尽相同，复杂多变。AII应用于这些场景过程中，即使有自动化程度很高的工具，在传统的I式下，也不得不逐个定制开发，如同作坊式开发，投入人力多，开发周期长，再加上AI才供给不足，导致AI算法开发产能不能满足行业智能化的需要。大模型为解决这类问题提供了很好的方案。有了预先训练好的大模型，AI0是基于大模型做增强训练，并自动化抽取出适合该场景部署的小模型，开发周期从月级缩短为天级，相对于以前的作坊式开发，I开发效率可以提升1~00AI型从作坊式开发到工业化开发的转变。但这样的开发效率需要高效的开发工具链支撑，需要做到针对不同业务场景需求，快速响应、动态按需适配，实现从需求到智能化应用的快速迭代、敏捷应用短闭环。具体来说，智能化应用的开发工具链需要满足以下4个关键需求：首先需要大模型增强训练敏捷化，减少开发的中间环节，让应用的使用者参与到模型的构建AI算法的创新和孵化。模型开发工具链要能够支模型部署到结果反馈全流程高效作业，降低开发门槛。其次需要应用开发敏捷化，从传统的“瀑布式”开发走向敏捷式开发，支持低代码、零代码开发，让业务人员可以直接参与开发。打通应用PAGEPAGE15加速行业智能化白皮书AIAIAIAIDataOps与最终通过将数据和AIAI互问答、需求获取和代码提交的智能协同，大幅提升开发效率。高质量数据通信海量数据是基础大模型训练、行业场景模型二次训练、模型持续迭代进化的“养料”，也是无所不I需要高效数据通信，两级训练三级推理部署范式之间的持续迭代需要高效数据通信，数据采集与推理服务器之间也需要高效数据通信。//领域到边端，海量训练样本数据上传、模型推送与训练迭代、无所1TB样本数据需要上传到提供训练服务的数据中心，突发带宽高、潮汐效应明显，需要10GE汇聚的高速数据通信；训练生成的模型文件下推，需要广覆盖、大带宽、任务式的弹性数据通信，灵活建立联接；千万应用场景的实时推理交互，需要低时延、高可靠、高并发的低时延数据AI(C)、Iv6+(AN)还需要考虑数据中心的异地容灾、东数西算、协同计算，这就需要引入网络切片、OXC、网络数字IP骨干网络，实现跨地域的实时算力调度、极速数据运送、高效协同计算。与此同时，数据通信的安全至关重要。行业智能化时代，数据流量持续增长，加密威胁持续增加，我们需要高性能、高弹性、高效拦截加密威胁的网络安全解决方案，为行业智能化保驾护航。行业智能化时代，新一代高运力数据通信网络从“万物智联”走向“万智互联、万数智算”，成为万物智联、弹性超宽、智能无损、自智自驭的关键基础设施。PAGEPAGE16加速行业智能化白皮书行业智能化参考架构企业智能化转型是一个长期的、循序渐进的过程，如何选择转型道路、如何分层分级建设智能化IT阶段做出匹配的选择，避免走弯路、走错路，提升转型的效率。基于在城市、金融、交通、制造等20等特征的，全行业通用的行业智能化参考架构，联合行业伙伴共同构筑行业智能化的基础设施，使AI行业智能化参考架构图2-2行业智能化参考架构PAGEPAGE17加速行业智能化白皮书行业智能化参考架构是系统化的架构，它包含智能感知、智能联接、智能底座、智能平台、AI独立的，而是相互协同的，就像人体一样，能感知、会思考、可进化、有温度，共同服务于千行万业的智能化发展。行业智能化参考架构是一个面向全行业的、能够服务不同智能化阶段的参考架构，通过分层分级建设，选取合适的技术能力和产品，提升企业的智能化水平。它有四个特点：协同、开放、敏捷、可信。IT

行业智能化参考架构分层解析智能感知智能感知是物理世界与数字世界的纽带，它基于品类丰富、泛在部署的终端设备，对传统的感知能力进行智能化升级，构建一个无处不在的感知系统。智能感知具备多维泛在、开放互联、智能交互、易用智维等特点。多维泛在智能化时代，需要对事物进行全方位的感知，才能获取到完整、全面的信息，支撑后续的智能化业务处理。在感知时，通过雷达、视频、温度传感、气压传感、光纤感知等多种类型的感知设备从不同的维度获取数据，进而汇总成为更全面的信息，支撑后续的智能分析和处置；同时，为了保证能够获取到准确且实时的信息，感知设备还需要贴近被感知的对象，并保持实时在线，充分获取感知数据，实时上传至处理节点，形成无处不在的感知。开放互联行业里各类感知终端种类繁多，协议七国八制导致数据难互通，难以支撑复杂的业务场景。因此，需要开放终端生态，通过鸿蒙或其它智联操作系统，将协议复杂、系统孤立的终端有机协同起来，实现对同一感知对象的联动感知ICTPAGEPAGE18加速行业智能化白皮书智能交互随着各类智能终端的广泛应用，人与人之间、远程协作等交互场景在行业应用中得到了很大的推广。通过云边协同、AI用，极大地提升设备认知与理解能力，实现软AI算法在云边端自由流动，并通过包含智联操作系统的终端设备，基于对感知实现智能的交互能力。易用智维行业的业务场景复杂，对感知的要求也有很大差异，感知设备有相当大的比例安装在不易于部署维护的地点，如荒野、山顶、铁路周界、建筑外围等，其中一部分设备在获取电力、网络资源也存在一定的困难。因此，需要感知设备具备网算电一体集成、边缘网关融合接入等能力，实现感知设备智简部署、即插即用，智简运维平台和工具数字化、智能化，实现无人化、自动化的可视可管可维。智能联接行业智能化的场景复杂多样，智能联接用于智能终端和数据中心的联接、数据中心之间的联接、数据中心内部的联接等，解决数据上传、数据分发、模型训练等问题。各种场景对联接

都有不同的要求。比如某个工业园区场景中智能终端和数据中心的联接，AI要求实时推理交互，软件包下载要求高峰值带宽，视频会议要求稳定带宽，需要借助网络切片保障不同流量的互不干扰。在数据中心中，AI10%，而千分之一的丢包率会导致算力降低30%。因此，行业智能化需要万物智联、弹性超宽、智能无损、自智自驭的智能联接。万物智联（雷达、行业感知、光纤感知、温度感知、气压感知等）都需要通过网络自动上传感知数据，以支撑各种类型的业务系统。数据上传需要实时、准确，不能有丢失。智能联接综合采用5G-A、F5GAdvanced、Wi-Fi7、超融合(HCE)、IPv6场景、全触点、无缝覆盖的泛在联接，支撑数据采集汇聚，推进智能应用普及，为智能化参考架构的持续进化构筑万物智联的基础。弹性超宽随着行业智能化不断发展，感知能力不断丰富与增强，生成的业务信息量也在极速增长，支撑大模型的训练数据更加丰富完善，训练出的模型更加精准；训练出的模型也要迅速下发，推动业务处理更加智能。面向PB级样本训练数据上传、TB级大模型文件分发的突发性、周期性、超宽带联接需求，需要建设大带宽、低时延、智能调度的网络；基于时延地图和带宽地图动态选择最优路径，实现极速推理和实时交互，为行业智能化参考架构打通“数据上得来、智能下得去”的持续进化循环。PAGEPAGE19加速行业智能化白皮书智能无损超融合以太、网络级负载均衡等技术实现大规模、高吞吐、零丢包、高可靠的智能无损计算互联；智算数据中心网络升级，以网强算，通过算、网、存深度协同优化，支撑万亿级参数的模型训练，让智能化参考架构越来越智能。面向海量智能感知终端连云入算、I助端等场景，基于网络大模型(LM)能感知应用类型、智能优化联接体验、智能保障网络质量，为极速推理、协同工作、音视频会议等各种应用提供智能无损的高品质联接，自智自驭基于网络大模型识别应用与终端类型，准确生并实现网络零中断（智能预测网络拥塞准确率（智能预测未知威胁L4智能联接的主要涉及到接入网络、广域网络、数据中心网络，其技术特征有：接入网络：承担着感知设备的接入及汇聚到数据中心网络或广域网络的职责。接入网络通过5G-A、F5GAdvanced、Wi-Fi7、超融合(HCE)IPv6

广域网络：具备多分支机构的大型企业存在大量的数据跨分支机构互传的场景，如训练数据上传、算法模型下发、业务应用下发、业务数据传输等，相应的需要在分支机构之间提供稳定、大带宽的广域网络。企业可根据自身的实际情况，选择租用运营商网络或自建广域网络的方式，获取稳定、可靠、高带宽的多分支机构间的网络联接能力。数据中心网络：随着AI大模型的兴起，大模型训练成为数据中心的一个重要职责，其超大规模的数据分析对数据中心的网络也带来了新的挑战，传统的基于计算机总线的数据中心网络技术已无法满足大模型训练的要求。因此，数据中心网络需要新的网络架构，能够打通各协议间的壁垒，“内存访问”直达存储和设备；并统一芯片侧高速接口，打破“带宽墙”，使能端口复用。数据中心的业务类型也是多样的，例如在大模型训练时就存在参数面、业务面、存储面等网络平面，需要能够按照业务类型建立网络平面，并相互隔离。智能底座智能底座提供大规模AI算力、海量存储及并行计算框架，支撑大模型训练，提升训练效率，提供高性能的存算网协同。根据场景需求不同，提供系列化的算力能力。适应不同场景，提供系列化、分层、友好的开放能力。另外，智能底座层还包含品类多样的边缘计算设备，支撑边缘推理和数据分析等业务场景。算能高效随着大模型训练的参数规模不断增长、训练数PAGEPAGE20加速行业智能化白皮书据集不断增大，大模型训练过程中需要的硬件资源越来越多、时间也越来越长。需要通过硬件调度、软件编译优化等方式，实现最优的能力封装，为大模型的训练加速，提升算能的利用率。同时，针对基础大模型、行业大模型、场景大模型的训练算力需求，以及中心推理、边缘推理的算力需求，提供系列化的训练及推确保资源价值得到最大化的利用。I开放繁荣不同场景、不同类型的大模型，根据大模型的参数规模、数据量规模，需要的算力有着很大的差异；在推理场景，中心推理和边缘推理对算力的要求也不一样。行业用户可以根据实际获取匹配的算力；并可在品类丰富的开源操作系统、数据库、框架、开发工具等软件中进行选择，屏蔽不同硬件体系产品的差异，帮助用户在繁荣的生态中选择合适的产品和能力，共同形成行业智能化的底座。长稳可靠大模型业务场景下，一次模型训练往往要耗费数天甚至数月的时间，如果中间出现异常，将会有大量的工作成果被浪费，耗费宝贵的时间

算网协同随着大模型的参数数量、训练数据规模不断增长，模型训练所消耗的时间也不断增加，逐渐据传输方式已成为瓶颈，难以继续提升效率。因此，我们需要算网协同的传输架构，提升数据的传输效率和模型训练速度。同时，网络需AI训练性能。同样，在大模型训练过程中，数据在存储、内CPU为减少这些资源占用，需要存算协同架构，通过近存计算、以存强算的能力，让数据在存储侧完成部分处理，将算力卸载下沉进存储实现AI智能底座的主要技术特征有：计算能力：简称算力，实现的核心是/I/界主流数据存储：复杂多样的业务场景，带来了复杂多样的数据类型。数据存储需对不同类型的数PAGEPAGE21加速行业智能化白皮书据，通过全闪存存储、全对称分布式架构等技术手段，为不同的业务场景提供海量、稳定高性能和极低时延的数据存储服务；为特定业务场景提供专属数据访问能力，如直通GP/NPU缩短训练数据加载时间至ms级；并具备数据的备份恢复机制，以及防勒索机制等安全能力，确保数据的安全、可用。操作系统：操作系统对上层应用，要屏蔽不同硬件的差异，提供统一的接口，要完成不同硬件的兼容适配，提供良好的兼容性，为应用软件的部署提供尽可能的便利；针对不同的硬件的特征，操作系统需要针对性的优化，确保能充分发挥硬件的能力；在多CPU、CPU和GPU、NPU协同的情景下，操作系统如何协调调度，也是一个关键的能力。数据库：海量、格式多样的数据，追求极致的业务性能，对数据库也带来了新的挑战。为了适应业务的变化，数据库需要高性能，海量数据管理，并提供大规模并发访问能力；高可扩展性、高可靠性、高可用性、高安全性、极速备份与恢复能力，都是对数据库的基本要求。等技术，对外智能平台I

的智慧应用的快速开发和部署，使能行业智能化。智简创新围绕软件、数据治理、模型、数字内容等生产线能力，提供一系列的开发使能工具，并通过数据、AI、应用的协同，让智慧应用的构建更高效、更便捷；让行业应用的创新更简单、更智能。敏捷高效智能化的开发生产线能力，为业务人员提供了多样化的业务开发方式选项；强大的DevOps能力让业务迭代开发过程更敏捷，一键发布能力让业务上线速度更快，效率更高。极致体验智能平台层的主要技术特征包括数据治理生产线、AI开发生产线、软件开发生产线以及数字内容生产线。智能平台支持AI模型在不同框架以及不同技术领域的开发和大规模训练。治理到数据应用消费的全生命周期智能管理。到数据应用等全流程的数据治理，同时融合智AI供从算力资源调度、IAIAIPAGEPAGE22加速行业智能化白皮书模型训练、模型管理、模型部署等AI发全流程技术能力。同时，AIAI全场景部署，缩短跨平台开发适配周期，并提升推理性能。软件开发生产线：提供一站式开发运维能力，部署等全流程。提供全代码、低代码和零代码等各种开发模式。面向各类业务场景提供一体化开发体验。2D3D应用开发和实时互动框架。根据用户需求，生成服务，如数字人等。使用者无需专业设备，即可使用的内容生产工具。AIAI型、场景模型。基础大模型（L0），提供通用基础能力，主要在海量数据上抽取知识学习通L0行业大模型（L1）L0基础大模型，结合行业知识构建，利用特定行业数据，面向具体行业的预训练大模型，无监督自主学习了（L2）模型，是实际场景部署模型，是通过L1生产出来的满足部署的各种模型。AI续演进、开放共建等特点。行业重塑AI的处理能力，提升业务效率，降低企业成本，

促进行业创新，为行业的发展注入新的生命力，重塑行业的智能化进程。持续演进行业场景使用大模型提升业务效率的同时，也会产生大量的业务数据，这些数据再对大模型进行训练，让大模型的能力越来越强大，推理越来越准确，成为行业智能化的有力支撑。开放共建行业客户与大模型供应商共同打造多样化多层级的大模型，构筑满足各类场景各种需要的大模型，为不同行业场景提供多样化的选择，服务行业智能化发展。在建设大模型体系时，要依照企业的规模、能力、组织结构和需求因地制宜，层层落实，要充分考虑云网边端协同、网算存的协同，让AI上行下达。大模型可以分层分级建设，从L0到L1，再到L2，不断的有行业数据加入来提升模型的训练效果，同时也需要模型压缩来节约推理资源。模型压缩是实现大模型小型化的关键技术，大模型通过压缩技术可以达到10~20x参数量级压缩，使千亿模型单卡推理成为可能，节省推理成本；同时，模型压缩降低计算复杂度，提升推理性能。在实际应用中，需要结合业务场景变化，迭代AI大模型能力，边学边用，越用越好。NLP进行二次训练，不断补充行业知识；在具体任PAGEPAGE23加速行业智能化白皮书快速获得需要达到的效果；进一步的，可以基于自有训练后的模型，进行强化学习，获得更出色的CV/行业用户，可以结合自有行业数据，进行二次训练，迭代获得适配L1L0L1L2智赋万业T/I华为行业智能化技术实践行业智能化参考架构为行业的智能化发展提供了一条有效的道路，华为依托行业智能化参考架构，叠加多年的行业智能化实践，打造了一系列的智能感知、智能联接、智能底座等硬件能力，一系列的模型使能工具，并发布了盘古大模型，以开放的心态拥抱行业伙伴，共同构筑智能化的未来。智能感知在智能感知领域，华为推出了雷达、光纤传感以及软件定义摄像机等感知产品，并结合不同感知设备特点进行组合，实现了光视联动智能感知和雷视拟合智能感知。光视联动智能感知华为通过组合光纤传感、软件定义摄像机两大感知产品，实现光视联动智能感知，具有全覆盖，低漏报，全天候，少误报的优势。

分布式光纤传感振动探测产品OptiXsenseEF3000采用华为独有的低噪声相干接收系统和高性能oDSP算法，对微弱信号引起的光纤细微拉伸有极高的检测灵敏度，检测形变量达到头发直径的三十万分之一；同时结合了华为独有的超高分辨率采样技术和大尺度线性探测技术，无论是强信号还是弱信号都能真实还原，动态范围大。在铁路、机场、油气管线等重要行业中，关键场地、设施等防范是安全的重中之重，天然存在周界防护的刚性要求。针对相关场景，华为基于光视联动智能感知能力打造周界防护站方案，通过对抗模型的细节特征提取，对入侵行为和干扰行为的细节差异进行识别，并基于环境感知网络的全局性特征提取网络，对环境全再通过全域态势判决将信号区分为入侵和干90%，普通单事件检测算法误报率为10/公里·，IDF-ADPAGEPAGE24加速行业智能化白皮书持误报率降低至1/全天候、全智能”的防护监测能力，实现无人化巡检防护。雷视拟合智能感知华为通过组合雷达、软件定义摄像机两大感知产品，实现智能感知雷视拟合。华为ASN850毫米波感知雷达，采用华为先进的5GmassiveMIMO大规模天线阵列和超分辨率算法；自研高清摄像机结合昇腾计算卡、墨4K小目标检测。以智慧高速建设场景为例，通过超远探测和雷视拟合技术，使得感知距离扩大到1000针对弯道等特殊场景采用视场动态增强技术，整体同比业界方案可减少25%杆站建设成本。鸿蒙感知鸿蒙系统，是基于微内核的全场景分布式OS，可按需扩展，实现更广泛的系统安全。运行流畅四大优势。鸿蒙系统可实现全场景，统一内核，相比于传鸿蒙系统基于一套操作系统灵活组装，实现设无论设备大小，只需要一个操作系统；鸿蒙系统采用分布式软总线技术实现不同领域感知设备之间近场感知、自发现、自组网，完成无感连接，多个感知设备自动协同宛如一个物理设备，可以提供任务在多个感知设备上的一致体验感。构建形成统筹规范、泛在有序、标准统一、互

提升感知数据汇通共用水平。2021L0L2智能联接华为提供万兆园区网络、数据中心智算网络、IP广域网络、网络安全解决方案，IntelligentRANF5G智简全光网，促进开放互联，保障网络安全。高品质万兆园区网络华为高品质万兆园区网络助力企业建设以体验为中心的园区。i-Fi7终端万兆极速接入，音视频体验保障方案实现0AI、大数据和华为数十年网络运维经验的NCE园区网络数字地图，网络开局效率提升10倍，故障定位效率提升40倍。华为已为比亚迪、苏黎世联邦理工学院等全球众多知名客户打造极致体验的园区。在2022年Gartner企业有线无线网络基础设施的魔力象限中，华为成功入选领导者象限。SD-WAN方案助力企华为超融合网关，16组网，提升部署运维效率30%；企业业务上云加速，华为超融合云原生网关，NetEngineAR6700V能够实现弹性扩容最大到200G，性能升级业务不中断，助力企业高品质上云。SD-WAN方案在中国石化等全球众多知名客户部署，良好的交付品质及口碑帮助华为3Gartner“客户之选”。PAGEPAGE25加速行业智能化白皮书AIAI提供高性能、高可靠、可运维、大规模的开放网络作为支撑。华为星河AI智算网络基于超0NSLBAI98%；武汉人工智能计算中心是首个面向产业的人工智能计算中心，选用华为网络、计算、云、存储端到端解决方案，首期建设了10PIFLOPSMPI、Benchmark为网络性能与IB网络整体基本持平，完全满足业务的高性能需求。IP面向海量训练数据和模型文件高效传递，华为IPIP6+技术基础，实现流、应用、带宽、时长等多维感知和弹性调度，大模型训练数据和模型数据快递化高效传输，效率提升百倍，解决企业训推数据传递低带宽等不起，高带宽用不起的业务痛点。通过全业务路由器大缓存、抗突发的能力，满足企业到各级训练中心、推理中心的灵活接入、边云协同的联邦训练的极致高吞吐逼近物理极限。作为智能煤矿建设的先行者，山西晋P网解决方案，建成全国领先的智能煤矿，极大华为网络安全解决方案人工智能融合到行业过程中，需要高效模型传输和海量数据训练，华为基于可信网络安全解决方案，在数据传输到AI算力网络前进行安

全防护，提供算力基础设施的“非侵入”式的安全防护，实现高效算力和安全防护的平衡。其次华为安全提供训练数据的脱敏、数据防泄漏等数据安全防护能力，实现敏感数据的安全防护。最后对于防护智能应用的终端和用户，提供零信任安全防护能力，保证终端、人员可信接入，最小权限访问业务资源，最大程度保AI防御架构在华为南方工厂等行业智能化先锋企业进行了部署，已连续多年保障业务持续稳定运行，为业界树立了标杆。IntelligentRAN面向新业务的多样化发展以及新站型新频的引入带来的无线网络结构性挑战，华为提供IntelligentRAN解决方案，以数智感知、数字孪生、意图开放、智能空口为技术基础，实现对无线环境信息高精确感知、多维分析决策、意图驱动人机交互以及高效空口信道测量的能力；无线大模型通过海量数据训练特征学习，在闭环流程中形成认知与决策，有望将无线网络真正推向意图自适应的网络级智能化高阶水平。通过在多频协同、宏微协同、网络级节能、网络故障预防预测、直播业务体验保障等热点场景引入智能化技术，满足无线网络极致节能体验按需的网络智优，故障预测预防主动排障的运维智简，应用级确定性体验保障的业务智营，真正帮助运营商实现提质增收、降本提效。F5G智简全光网F5G是第五代固定通信网络，由欧洲电信标准(ES)定义，致力于从光纤到户迈向光联万物。F5G基于光纤通信技术，在增强超宽带（eFBB）、全光联接（FFC）和可保障品PAGEPAGE26加速行业智能化白皮书（RL）和光感知与可视化（SV）AIF5G全光网，包括行业生产网络、园区网络、工业网络、地产前装、周界防护等场景的创新产品和解决AI在智慧办公F5G技术所赋能的无损工业网络。在智慧电力，F5G技术为电力行业构建安全稳定可靠易演进运维的全光通信底座，赋能新型电力系统。在智慧医院，F5G一举摆脱了传统网络在部署、运维和网络性能上的劣势，实现院区网络多网合一，通过硬隔离方案满足医疗信息系统安全等级保护要求，在确保传输网络可靠性的同时，为诊室、医学影像、远程诊疗等场景提供高效的数据传输和信息互联。算力底座昇腾系列（AI）AIAI2-3图2-3华为昇腾AI产业生态AIAI件平台（Atlas、全场景AIMindSpore、昇腾应用使能inX以及一站式开发平台ModelArts）AI

为向世界提供用得起、用得好、用得放心的普惠AI，我们研发了昇腾系列板卡，作为华为人工智能解决方案的核心部分和关键支撑。基于昇腾系列，华为推出了AI训练集群Atlas900、AI训练服务器Atlas800、智能小站PAGEPAGE27加速行业智能化白皮书Atlas500、AIAtlas300AIAtlas200Atlas品布局，覆盖云、边、端全场景，面向训练和推理提供强劲算力。华为的AI具备超高稳定性，拥有创新超节点架构，超强性能，大模型训练效率高的算力集群。首先，依托华为在网络领域的长期能力积累，集群互联采用了全新的华为星河AI智算交CloudEngineXH16800，借助高密的400GENPU其次，超级集群3倍提升断点续训性能，10AA独创故障现场保存技术，和盘控协同的超高带宽技术。针对万亿参数大模型训练所特有的，PBCheckPoint数据读写，分钟级即可完成。断点续训恢复时间也缩短到分钟级，恢3AI集群，实现了器件级的故障预测、节点级精准液冷，万卡集群的稳定性从天级提升到月级，10再次，集群采用创新超节点架构，多卡通过总线互联成一个NPU。通过总线和openEuler规避因内存不足所带来的算力空耗现象。最后，超强性能，大模型训练效率高。通过华NSLB98%，1华为坚持技术生态与商业生态双轮驱动，发展

昇腾AI产业。我们以开发者为核心，繁荣技术生态，以伙伴与客户为核心，做厚商业生态。坚定践行开放、开源的策略，进一步开放异构计算架构CANN，全面兼容业界的算子、AI框架、加速库和主流大模型，以更加灵活的算子开发使能开发者业务创新，以共建、共享、共治，持续贡献昇思开源社区，把昇思MindSpore打造成支持大模型和科学智能等AI创新的框架。OceanStorOeantor系列是可大规模横向扩展、弹性伸缩的数据中心级智能分布式存储产品，通过系统软件将存储节点的本地存储资源组织起来构建分布式存储池，可向上层应用提供分布式文件存储服务、分布式对象存储服务、分布式大数据存储服务与分布式块存储服务，以及丰富的业务功能和增值特性。借助华为数控分离架构的高性能存储OcantorA800I/OCPU计算耗时，数据加载效率高。OceanStor系列存储采用闪存技术加速大模型训练：具备高速读写能力和低延迟特性，并伴随着其堆叠层数与颗粒类型方面突破，带来成本的持续走低，使其成为处理AI大模型的理想选择。数据读写性能的大幅提升，将减少计算、网络等资源等待，加速大模型的上市与应用。据华为测算，以GPT-3100PFlops算力下，当存储的读写性能提升30%，将优30的利用率，整体训练时间缩短32%。Oeantor系列存储通过数据编织方案提升AI跨域跨系统的数据按需调度，实现业务无感、PAGEPAGE28加速行业智能化白皮书业务性能无损的数据最优排布，满足来自多个源头的价值数据快速归集和流动，以提升海量复杂数据的管理效率，直接减少AI训练端到端周期。华为存储支持灵活开放：OceanStor存储软件之上，可以集成第三方的GPU服务器、网络节点以及AI的平台软件。方便集成商自由、灵活的装配他们的超融合节点。多种算力开放模式图2-4多种算力供给模式AI提供多种算力供给模式，来满足行业客户的差异化需求。使能“百模千态”，加速千行万业走向智能化。裸算力模式，我们提供算力底座，包括智能感知、智能联接和智能底座。通过直接提I算力，使能客户和伙伴灵活打AI多租户模式，我们提供智能感知、智能联接、智能底座和基础云平台，通过基础算力

+HCS/HCSO基础云平台能力，方便客户面向多租户提供AI算力。云算力模式，为不同租户提供叠加的DataArts，ModelArtsAIMaaS（ModelasaService）面向千行万业的中小企业，提供开箱即用模型MaaSPAGEPAGE29加速行业智能化白皮书盘古大模型图2-5盘古大模型架构盘古大模型盘古大模型达到千亿级参数，相对于以前的作坊式开发，AIAI盘古大模型分为三层，L0L1业大模型，L2L0础大模型，包括自然语言大模型（NLP）、视科学计算大模型，它们提供满足行业场景的多种技能。L1层是行业大模型，既可以提供使用行业公开数据训练的行业通用大模型，包括政务，金融，制造，矿山，气象等；也可以基于行业用L0L1

L2专注于某个具体的应用场景或特定业务，为用户提供开箱即用的模型服务。NLP大模型可用于内容生成、内容理解等方面，并首次使用Encoder-DecoderNLP保证了模型在不同系统中的嵌入灵活性。在下游应用中，仅需少量样本和可学习参数即可完成千亿规模大模型的快速微调和下游适配。2019CLUENLP阅读理解单项均排名第一，刷新三项榜单世界历史纪录；总排行榜得分83.046，多项子任是目前最接近人类理解水平（85.61）的预训练模型。盘古CVPAGEPAGE30加速行业智能化白皮书也是实现模型按需抽取的业界最大CV实现兼顾判别与生成能力。基于模型大小和运行速度需求，自适应抽取不同规模模型，AI用开发快速落地。使用层次化语义对齐和语义调整算法，在浅层特征上获得了更好的可分离性，使小样本学习的能力获得了显著提升，达到业界第一。盘古大模型赋能千行万业，，在矿山、气象、药物、分子、电力、海浪、金融等行业发布了L1行业大模型。视觉大模型在煤矿运输场景中，会有大块煤、锚杆、钢筋等异物堵塞皮带。通过煤矿皮带异AP避免了停工停产带来的巨进行质检；可以在铁路的机车进行缺陷盘古气象大模型，是全球首个精度超过传统预AI模型。相关成果在国际顶级学术期刊《ature》发表。可以在秒级时间内完成171缩短至一个月以内，大幅提高研发效率。数实融合，过去单产线制定器件分配计划，往31划。盘古制造大模型学习了华为产线上各种器件数据、业务流程及规则以后，能够对业务需

求进行准确的意图理解，并调用天筹AI3盘古大模型采用完全的分层解耦设计，可以快速适配、快速满足行业的多变需求。企业既可以为自己的大模型加载独立的数据集，也可以单独升级模型。开放丰富的“开发生产线”华为提供了丰富的“生产线”，一系列的模型使能工具，使能伙伴共同开发，繁荣生态。华为数据治理生产线ataArs提供一站式数40全生命周期数据治理，帮助企业快速构建从数据接入到数据分析的端到端智能数据系统，消除数据孤岛。模型开发生产线ModelArtsAI站式平台。ModelArtsAIAII应用部署，提供数据处理、算法开发、模型训练、模型管理、模型部署等AIModelArtsIDCodlrtsTOP1。软件开发生产线CdeArs，提供一站式DevSecOps同时，提供全代码、轻代码和低代码等各种开发模式，支持多种主流编程语言和开发框架，内置代码检查规则，支持千万TPS测试并发请求。PAGEPAGE31加速行业智能化白皮书MeaStdioDetatudoD3D互动，让虚拟世界和现实世界无缝融合。加速智能化带来新价值第二篇32PAGEPAGE88加速行业智能化白皮书加速行业智能化白皮书第三章智能化使能企业生产智能制造故”，以增量带动存量，促进中国产业迈向全球价值链中高端。8推动产业技术变革和优化升级，加大对先进制造、精密制造、高端制造的投入。只有在数字PAGEPAGE34加速行业智能化白皮书化技术的加持下，企业才能在产品质量、生产202570以上要基本实现数字化，重点500随着新一代信息技术加速拥抱千行万业，智能制造正在多领域多场景落地开花。最新的市场调研数据表明，人工智能在中国制造业呈现快速发展的趋势，智能制造市场规模自2019年

402025400毋庸置疑，AI的各个环节中，实现更高程度的自动化和智能化。如果对制造主流程进行分析，将不难发现AII场景在各个环节的汇总情况，3-1图3-1制造主流程与AI应用场景共同形成更为强大的应用能力，最终推动工业领域的创新和转型，带来新的商业模式和机会。以下就几个典型应用场景做进一步介绍。AIIIPAGEPAGE35加速行业智能化白皮书图3-2工业AI质检应用场景智能资源优化制造企业为了满足自身发展，必须不断提高效率、减少浪费和增加产值。随着生产流程、供应链和客户需求变得越来越复杂，传统的资源管理方法往往无法满足现代制造业的需求。在这种背景下，I链优化和能源管理等。在智能资源优化场景中，AI用率，提高生产效率。以具有代表性的智能排产为例，AI迭代，在自动适应生产变换，减少冲突和瓶颈的基础上，可进一步提供决策支持。而在供应链优化和能源管理方面，AI作，如自动化库存管理、自动调节生产参数以降低能源消耗等，最终实现资源的优化配置，同时确保持续和稳定的生产。工业智能机器人工业智能机器人是一种在制造和生产线上执行各种任务的自动化机器，例如装配、焊接、搬运、质检等。与传统的工业机器人相比，智能机器人不仅可以执行预定的动作，还可以通过感知、学习和决策能力，使其能够执行复杂的任务并在多变的环境中自主工作。3-3将多种类别的感知需求集成，借助自动化物流载具平台，以及物流系统和统一调度的智能机器人平台，实现对人体感知、人工检查的补强和提升，输出处理数据，提升现场综合管理的流程数字化和管理精细化。PAGEPAGE36加速行业智能化白皮书图3-3工业智能巡检机器人预测性维护在过去，维护通常是反应式的，即在设备出现故障后进行修复。为了避免设备故障停机，工业界转向了预防性维护，即定期检查和维护设备。随着传感器技术、数据存储和分析能力的进步，工业界开始具备实时收集和分析大量设备数据的能力。现代的数据分析和机器学习技术使我们能够从历史数据中识别出设备故障的先兆和模式，从而预测未发生的故障。预测性维护的核心思想就是使用数据驱动的方法预测和预防设备故障，而不是等到设备真正出现问题后再进行维护。预测性维护可以帮助企业解决生产中设备相关的问题，包括减少停机时间、优化维护计划、延长设备寿命、降低维护成本和提高生产效率。掌握实时的设备健康数据，准确进行故障预测，为管理者提供有提高安全性和客户满意度。企业知识库与智能客服企业知识库是企业内部的宝贵资产，它集中存储了企业的各种经验、案例、问题解决方案、操作手册等重要信息。在制造领域，企业知识

库可整合制造流程、生产设备操作手册、质量标准和故障处理等关键信息。这不仅提高员工获取信息的效率，缩短新员工培训时长，使其能快速融入生产环境，更重要的是保持了企业知识的连续性，有助于生产的顺畅运行，减少因信息缺失或错误而导致的停机时间。大模型技术能够实现企业知识库的智能检索和内容优化。例如，当产线工人遇到设备故障时，他们可以用自然语言描述问题，大模型则能迅速返回相关的解决方案或故障处理指南。基于与人员的交互式问答，大模型可以基于现有知识库，结合提示词，自动生成新的内容，如FAQs、教程等。利用大模型的自然语言处理能力，企业的智能客服可以更加准确地理解客户的问题，并结合企业知识库，提供具有针对性的答案或解决方案，大大缩短了响应时间和解决问题的周期。大模型还可以在与用户的交互中持续学习，通过实时更新的知识库，不断完善其答案和建议，使服务水平持续提升。PAGEPAGE37加速行业智能化白皮书智慧煤矿煤炭作为中国重要的传统能源行业，是中国国民经济的重要组成部分，是长期以来推动中国现代化进程的基础和动力。加快推进智能化建设，是推进煤炭工业高质量发展的必然选择。2020年3月，国家发展改革委、能源局、应急部、煤监局、工信部、财政部、科技部、教8发展的指导意见》，明确了煤矿智能化是煤炭工业高质量发展的核心技术支撑，并规划了3个阶段性目标：到2021年，建成多种类型、不同模式的智能化示范煤矿；到2025年，大型煤矿和灾害严重煤矿基本实现智能化，形成煤矿智能化建设技术规范与标准体系；到

2035年，各类煤矿基本实现智能化，构建多产业链、多系统集成的煤矿智能化系统，建成智能感知、智能决策、自动执行的煤矿智能化体系。该《意见》标志着煤矿行业正式步入建设新阶段。煤炭行业作为高危行业，为了保护矿工生命安全，煤炭行业少人化、无人化是大势所趋。人再到智能化，从应用、T向着智能化、协同化、在线化升级。煤炭生产图3-4煤炭生产演进路线煤炭行业面临着开采地质条件复杂、灾害多发（如煤尘、水、火、瓦斯和顶板等自然灾害）、生产效率较低、作业环境恶劣、人员短缺等挑战，为应对这些挑战，实现增安、提效、少人无人，亟需AI人工智能在煤矿场景存在海量的应用场景。PAGEPAGE38加速行业智能化白皮书图3-5海量人工智能应用场景3-53-6图3-6大模型四大能力支撑不同业务场景当前人工智能技术在煤矿行业的应用还处在起步阶段，未来将在安监生产、综合管控、决策指挥、3~5150PAGEPAGE39加速行业智能化白皮书采煤工作面：瓦斯隐患预测近年来，随着煤矿生产装备技术水平的不断提升，同时在煤矿监管部门的严格监管下，国内煤矿瓦斯安全事故总量和事故死亡人数逐年下降，但相较于其他类型灾害而言，瓦斯仍然是煤矿安全“第一杀手”。按照国家安全监察局等监管部门的要求，国内煤矿须锚定瓦斯“零超限”等一系列目标，完善瓦斯综合治理，实现超前治理、超前预警和预防。借助大数据平台和AI技术，可以对井下采煤设备、矿压、通风、安全监测、地质、瓦斯抽采等系统数据进行智能融合分析，通过人工智能算法结合综采工作面瓦斯涌出机理，实现井下关键位置瓦斯浓度的预测，进而实现瓦斯隐患的超前预警，帮助煤矿提前发现瓦斯安全隐患，同时给出处置预案,避免隐患进一步发展成事故，帮助煤矿提升生产安全性，减少设备停机停产的时间，提升生产效率。掘进工作面：掘进作业序列智能监测掘进作业作为煤矿井下采煤生产前进行巷道开采及安全支护的工作环节，是煤矿日常生产中最重要、最危险的环节之一。掘进的速度和质量直接影响到矿井合理的生产布局、稳定的采掘接续，并关系到矿井重大灾害的超前治理。环境恶劣，人员密集，多工序协同作业，劳动强度大。现场采用“人盯人”的管理方式，监安全风险巨大。近年来，井下重大安全事故3050以上是由作业不规范、人员监管不到位导致，亟需引入新技术手段突破人工监管的屏障，提升掘进

面安全性，保证稳定生产。掘进作业序列智能监测系统通过对作业人员及其相关动作进行智能识别，对作业规范性进行AI实现对危险区域人员入侵、人员摔倒、截割头搅拌时间等关键动作的实时监测，及时分析作业工序完整性，作业规范性和作业质量，发现问题第一时间对掘进队长进行告警提醒，并可联动停机，确保掘进作业安全规范，作业质量达标。智能主煤流运输矿井主煤流运输系统负责将井下采掘工作面生产的原煤运输到井上，是煤矿生产作业系统的大动脉。当前，矿井主煤流运输系统在实际运避免主运皮带撕裂、断带等事故，造成全矿井停产停工。因矿井主煤流运输皮带距离长，巡5-10通过“计算机视觉+人工智能”技术，对主煤流进行可视化精准监测，能够在第一时间发现主煤流运输各种安全隐患，并且通过联动GIS、融合通信、手机工单、皮带集控等周边业务系统，提升问题处理效率，在减少巡检人员工作量的同时，助力矿井主煤流运输系统更加高效安全运行。智能洗选煤选煤厂是煤炭加工的重要场所，选煤厂的主要任务是利用煤和矸石的物理性质不同，通过一系列生产工艺对煤炭进行分选，去除原煤PAGEPAGE40加速行业智能化白皮书中的杂质，获得工业生产所需的精煤产品。选煤厂分选系统的运行情况对煤矿具有非常重要的意义。重介旋流器分选是选煤生产的核心生产工艺，当前的分选工艺参数依赖人工经验设定，产品质量参差不齐，经常出现产品质量过剩和产品灰分超标的问题，给煤矿企业带来直接或间接的经济损失。人工智能的引入为工艺参数优化提供了新的突破思路。以原煤煤质、入洗煤量、重介密度、入料压力和精煤产品灰分为基础，通过对生产数据建模和训练，生成工艺参数预测模型，然后利用参数预测模型对实时生产数据分析和推理，预测出最优的生产工艺参数，并将其应用到生产系统中，实现最优的控制效果。同时利用新的生产数据对参数预测模型持续优化迭代，从而逐步实现选煤生产数字化、精细化。露天矿无人驾驶露天矿开采一直以来面临着安全、效率、驾驶

员短缺等方面的挑战：传统作业需要频繁换班，人工调度经常存在矿卡排队等待情况，影响生产效率；日常生产作业存在落石、碾压、碰撞以及塌方等重大安全隐患。露天矿无人驾驶系统的应用将有效解决以上问题。露天矿无人驾驶以智能驾驶计算平台、融合感知系统为基础，结合人工智能、5G、云控平台、高精地图等技术，可实现矿用卡车自主/卸等环节的全天减少危险区域作业人员数量，提升矿区生产作故障报警、车队管理等功能，有效提高矿用卡车营运效率，降低成本和事故风险。智慧钢铁钢铁行业是中国国民经济的重要基础产业，为国家建设提供了重要原材料保障，有力支撑了中国工业化、现代化进程。20222（《意见》中明确大力发展智能制造是主要任务之一，并要求推进人工智能、5G、工业互联网等技术在钢铁行业的应用，开展智能制造示范推广，打造一批智能制造示范工厂。钢铁工业具有生产流程连续、工艺体系复杂、产品中间态多样化、大型高温高压设备集中、人员安全要求高等特征，面临着严峻的资源、市场、环保、竞争等挑战，亟需通过人工智能、云、5G3-7PAGEPAGE41加速行业智能化白皮书图3-7钢铁行业生产演进路线当前，大部分钢铁企业已经完成了自动化建设，进入信息化和数字化的建设阶段，并通过信息化和自动化项目提升了生产运行效率。但是信息化的建设由于缺乏整体规划，基于装置和业务板块进行垂直的系统建设，无法更进一步支撑多业务、多系统、多数据的的综合分析、联动和决策，停留在AI图3-8钢铁行业人工智能应用场景3-8IAIPAGEPAGE42加速行业智能化白皮书图3-9大模型支撑钢铁场景工业化生产基于华为盘古大模型的视觉大模型、预测大模型、多模态大模型和NLP大模型，以及工业I实现越用越准。目前华为已经结合钢铁企业基于大模型实现智能配煤、废钢智能判级、行车加速钢铁行业的智能化升级。从各个应用场景的技术维度来看，I核心技术，与5G、大数据等技术相结合，共同形成更为强大的应用能力，最终推动钢铁智能化转型，带来新的商业模式和机会。预计未3~5200智慧焦化配煤吨钢成本中焦炭所占的比例达到38%，与铁矿石相当，焦化厂急需在保证焦炭质量要求的前提下，综合考虑焦炭价格和化产品综合收益，寻找最优配比使得利润最大化。通过人工智能技术，将配煤大数据与配煤机理结合，并融入

专家经验，深度挖掘原料煤之间的配伍性和特征相关性，结合业界先进配煤理论科学配煤，准确预测焦炭质量，通过分析对焦炭质量劣化情况及时给出预警，且能在达到焦炭质量要求的前提下，优化原煤配比，降低配煤成本，平均每吨焦炭降低5元~20元。废钢智能判级传统定级作业环境恶劣，定级员常常需要多次攀高，与重型机械设备协作，人工近距离观察和检测，劳动强度大，作业风险高。同时，由于废钢类型繁杂，定级参数多等特点，往往只能依赖人工经验综合判断，受个人差异、抽检次数等因素影响，还存在定级结果不准确的情+I，实现统一客观准确判级，降低定级的人为依赖，减少人为影响造可实现废钢远程集控管理，减少人员现场工作安全风险；判级过程全程可视可回溯，减少判级结果争议。PAGEP